能源與碳排放強(qiáng)度研究綜述:基于乘性結(jié)構(gòu)分解分析框架

閆俊娜 Su Bin 李瑩珠

摘要：在能源環(huán)境領(lǐng)域中，強(qiáng)度指標(biāo)能夠衡量能源利用與碳排放的相對(duì)效率，被廣泛應(yīng)用于國家節(jié)能減排目標(biāo)和能源環(huán)境政策制定與實(shí)施中。乘性結(jié)構(gòu)分解分析以投入-產(chǎn)出模型為基礎(chǔ)，對(duì)導(dǎo)致強(qiáng)度指標(biāo)變化/差異的影響因素進(jìn)行系統(tǒng)的量化研究。近年來，乘性結(jié)構(gòu)分解分析無論在應(yīng)用還是方法論層面都有了較快的發(fā)展。對(duì)2010—2019年間將乘性結(jié)構(gòu)分解分析方法用于能源碳排放指標(biāo)的研究進(jìn)行綜述分析，發(fā)現(xiàn)：（1）研究數(shù)量呈現(xiàn)快速上升趨勢(shì); （2）研究問題呈現(xiàn)單區(qū)域向多區(qū)域拓展的特征; （3）非競(jìng)爭(zhēng)型進(jìn)口假設(shè)被越來越多地采納; （4）大分解因素?cái)?shù)量的研究逐漸增加; （5） D&L（或廣義Fisher指數(shù)）方法仍然是乘性結(jié)構(gòu)分解分析框架內(nèi)最為常用的分解方法。在對(duì)乘性結(jié)構(gòu)分解分析方法論發(fā)展進(jìn)行評(píng)述的基礎(chǔ)上，提煉未來發(fā)展需求和研究空白。

關(guān)鍵詞：結(jié)構(gòu)分解分析;乘性分解;強(qiáng)度指標(biāo);能源碳排放領(lǐng)域;中國

中圖分類號(hào)：X24;F426.2

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1673-5595（2020）05-0001-10

一、引言

由于全球性氣候變化，與人類活動(dòng)相關(guān)的能源利用與CO2排放得到了國內(nèi)外研究學(xué)者的廣泛關(guān)注。[1]作為經(jīng)濟(jì)活動(dòng)的重要保障，能源消耗及其CO2排放的控制與管理需要多維度的系統(tǒng)研究，加強(qiáng)節(jié)能減排是實(shí)現(xiàn)可持續(xù)發(fā)展的重要組成部分。[2，3]針對(duì)不同國家和地區(qū)，依據(jù)經(jīng)濟(jì)、技術(shù)、人口等發(fā)展現(xiàn)狀的不同，制定有區(qū)別的節(jié)能減排目標(biāo)及政策措施。[4-6，7]針對(duì)同一國家或地區(qū)，受經(jīng)濟(jì)發(fā)展、技術(shù)進(jìn)步、區(qū)域間合作等影響，能源利用及碳排放特征會(huì)發(fā)生變化，節(jié)能減排目標(biāo)與政策制定也會(huì)隨之調(diào)整。[8]

絕對(duì)指標(biāo)和強(qiáng)度指標(biāo)常被用來定義和衡量國家、地區(qū)或行業(yè)層面的能源及環(huán)境表現(xiàn)。具體而言，能源消費(fèi)[9]、CO2排放量[10]等絕對(duì)指標(biāo)和能源強(qiáng)度[9]、CO2排放強(qiáng)度[12]等強(qiáng)度指標(biāo)被廣泛應(yīng)用于不同層面的能源及環(huán)境研究。與絕對(duì)指標(biāo)相比，強(qiáng)度指標(biāo)通常被定義為單位經(jīng)濟(jì)產(chǎn)出的能源消耗或CO2排放量，體現(xiàn)了相對(duì)效率的含義。在多區(qū)域?qū)Ρ确治鲋?，由于?jīng)濟(jì)體量、人口規(guī)模、發(fā)展速度等因素的差異，絕對(duì)指標(biāo)不具備直接可比性。然而，強(qiáng)度指標(biāo)能夠剔除上述因素的影響，直接對(duì)區(qū)域間能源利用和CO2排放效率差異進(jìn)行對(duì)比研究。[13]近年來，強(qiáng)度指標(biāo)也逐漸被發(fā)展中國家用于節(jié)能減排目標(biāo)規(guī)劃中。2015年，中國在“國家自主貢獻(xiàn)”中提出：到2030年單位國內(nèi)生產(chǎn)總值CO2排放比2005年下降60%～65%[14];印度也采用碳排放強(qiáng)度指標(biāo)制定本國的自主貢獻(xiàn)目標(biāo)。

分解分析能夠?qū)δ骋?多個(gè)研究對(duì)象的能源或環(huán)境表現(xiàn)的變化/差異進(jìn)行定量研究，量化不同影響因素對(duì)能源或環(huán)境指標(biāo)變化/差異的貢獻(xiàn)程度。[15]目前，有兩種比較流行的分解分析方法，即指數(shù)分解分析（Index Decomposition Analysis， IDA）和結(jié)構(gòu)分解分析（Structural Decomposition Analysis， SDA）。這兩種方法既有區(qū)別又有聯(lián)系。從數(shù)學(xué)模型的角度出發(fā)，SDA可以看作是IDA的一般化。[16]具體地說，IDA能夠?qū)Ξa(chǎn)業(yè)層面能源及環(huán)境指標(biāo)的變化/差異進(jìn)行逐年分解分析，即能夠?qū)崿F(xiàn)鏈?zhǔn)椒纸?SDA以投入-產(chǎn)出（Input-Output）模型為基礎(chǔ)，從部門關(guān)聯(lián)的角度出發(fā)，能夠探究導(dǎo)致國家或地區(qū)層面能源及環(huán)境指標(biāo)產(chǎn)生變化/差異的直接和間接影響因素。在方法論發(fā)展和模型應(yīng)用方面，關(guān)于兩種分解方法的詳細(xì)比較和評(píng)述可以參考Hoekstra等 [17]、Su等[18]、Wang等[19]的文獻(xiàn)。與IDA相比，SDA具有較高的數(shù)據(jù)要求和模型復(fù)雜度，能夠系統(tǒng)地進(jìn)行分解研究，特別是對(duì)于結(jié)構(gòu)性因素的探究，例如生產(chǎn)結(jié)構(gòu)效應(yīng)、最終需求結(jié)構(gòu)效應(yīng)等。關(guān)于IDA在能源環(huán)境領(lǐng)域的綜述研究可以參考Ang[20]的文獻(xiàn)。本文將重點(diǎn)關(guān)注SDA在能源碳排放領(lǐng)域的發(fā)展與應(yīng)用。

按照分解方式，結(jié)構(gòu)分解分析可以分為加性分解和乘性分解。從指標(biāo)分解和結(jié)果解釋的角度，加性分解適用于絕對(duì)指標(biāo)，乘性分解更適用于強(qiáng)度指標(biāo)。2010年以前，絕大多數(shù)的能源及環(huán)境研究都是采用加性SDA方法，具體可參考Su等[18]的文獻(xiàn)。由于加性SDA方法易于操作，能夠直接得到整體層面及部門層面的分解結(jié)果，近年來仍廣泛應(yīng)用于絕對(duì)指標(biāo)的分解研究，例如Ninpanit等[21]、Wang等[22]對(duì)國家層面總體/隱含CO2排放的變化研究，Lan等[23]、He等[24]、Zhao等[25]對(duì)全球、國家及省份層面能源消耗的變化研究。伴隨SDA方法論的發(fā)展，乘性SDA方法自2010年開始應(yīng)用于能源環(huán)境領(lǐng)域。近年來，由于強(qiáng)度指標(biāo)越來越多地應(yīng)用于國家/地方層面的節(jié)能減排目標(biāo)設(shè)定及能源環(huán)境政策制定，乘性SDA的應(yīng)用也不斷增加。Su等[26]將基于廣義Fisher指數(shù)分解的歸因分析應(yīng)用于結(jié)構(gòu)分解分析框架中，在方法論層面解決了通過乘性分解方式得到部門層面分解結(jié)果的問題。在Leontief投入-產(chǎn)出框架下，Wang等[27]探索了加性SDA和乘性SDA的關(guān)聯(lián)，進(jìn)一步為乘性SDA在能源環(huán)境領(lǐng)域的應(yīng)用夯實(shí)理論基礎(chǔ)。

鑒于近年來乘性SDA在方法和應(yīng)用層面都有較快速的發(fā)展，本文分別從模型構(gòu)建、實(shí)證研究、方法論發(fā)展三個(gè)方面對(duì)乘性SDA進(jìn)行綜述研究。主要貢獻(xiàn)有：（1）分別基于競(jìng)爭(zhēng)型和非競(jìng)爭(zhēng)型進(jìn)口假設(shè)，構(gòu)建乘性SDA方法整體及部門層面基本分解模型;（2）針對(duì)能源碳排放領(lǐng)域2010—2019年采用乘性SDA方法的國內(nèi)外實(shí)證研究，從研究特征、研究趨勢(shì)、指標(biāo)構(gòu)建、模型應(yīng)用等方面進(jìn)行綜述;（3）從方法論的角度，對(duì)研究期內(nèi)乘性SDA方法的發(fā)展進(jìn)行評(píng)述，并凝練未來方法論發(fā)展需求和研究空白，為乘性SDA方法的廣泛應(yīng)用提出針對(duì)性建議。

二、強(qiáng)度指標(biāo)乘性結(jié)構(gòu)分解分析基本模型

結(jié)構(gòu)分解分析以投入-產(chǎn)出模型為基礎(chǔ)，對(duì)國家及地區(qū)層面的能源及環(huán)境指標(biāo)進(jìn)行因素分解。在模型構(gòu)建過程中，不同的研究假設(shè)組合，如投入-產(chǎn)出模型種類[28]、進(jìn)口類型[29]、部門整合[30]、時(shí)間整合[31]、空間整合[32]等，會(huì)導(dǎo)致不同的研究結(jié)果。不失一般性，本文在Leontief投入-產(chǎn)出模型框架下分別基于競(jìng)爭(zhēng)型和非競(jìng)爭(zhēng)型進(jìn)口假設(shè)構(gòu)建乘性結(jié)構(gòu)分解分析模型。此外，本文使用增加值合計(jì)來定義能源與碳排放強(qiáng)度指標(biāo)，能夠避免重復(fù)核算的問題[33]。

（一）能源/碳排放Leontief投入-產(chǎn)出分析

在乘性結(jié)構(gòu)分解分析框架下，用于計(jì)算公式（9）～（10）中各效應(yīng)值的常見分解方法有ad hoc、D&L方法[34]、對(duì)數(shù)平均迪式指數(shù)法（LMDI）[35-36]。具體的方法選擇可以參考Su等[18]、Wang等[27]的文獻(xiàn)。此外，繼續(xù)對(duì)公式（9）～（10）中的Leontief結(jié)構(gòu)效應(yīng)進(jìn)行二階分解，可以對(duì)中間投入相關(guān)技術(shù)因素和替代因素進(jìn)行深入分析。

三、能源碳排放領(lǐng)域乘性結(jié)構(gòu)分解分析應(yīng)用研究綜述

乘性結(jié)構(gòu)分解分析以投入-產(chǎn)出模型為基礎(chǔ)，能夠?qū)εc經(jīng)濟(jì)系統(tǒng)相關(guān)的能源/環(huán)境指標(biāo)（特別是強(qiáng)度指標(biāo)）的變化/差異進(jìn)行不同層面（例如整體和部門）的分解分析，量化不同因素的影響程度，例如能源強(qiáng)度效應(yīng)、生產(chǎn)結(jié)構(gòu)效應(yīng)、最終需求效應(yīng)等，其分析框架如圖1所示。

2010年，乘性結(jié)構(gòu)分解分析開始應(yīng)用于能源環(huán)境領(lǐng)域。乘性SDA方法能夠?qū)Y(jié)構(gòu)性因素（例如能源投入結(jié)構(gòu)、完全需求結(jié)構(gòu)、最終需求結(jié)構(gòu)等）進(jìn)行系統(tǒng)研究，具有結(jié)果易解釋性和無量綱性的優(yōu)勢(shì)[37]，近年來得到了廣泛應(yīng)用。本文對(duì)2010—2019年乘性SDA在能源碳排放領(lǐng)域的應(yīng)用研究進(jìn)行綜述，從中英文數(shù)據(jù)庫檢索獲取26篇相關(guān)文獻(xiàn)。如表1所示，從研究、應(yīng)用、指標(biāo)、投入-產(chǎn)出模型和分解模型幾個(gè)方面對(duì)文章進(jìn)行歸納總結(jié)。

根據(jù)研究特征及模型應(yīng)用，本文將時(shí)間跨度劃分為兩個(gè)子時(shí)間段，即2010—2014年和2015—2019年，分別進(jìn)行研究評(píng)述。在乘性SDA應(yīng)用第一階段（即2010—2014年），相關(guān)文獻(xiàn)顯示出分解能源指標(biāo)多于碳排放指標(biāo)、強(qiáng)度指標(biāo)多于絕對(duì)指標(biāo)的特征，其應(yīng)用常見于探索中國的能源及CO2排放強(qiáng)度的變化情況。在研究范圍方面，多涉及國家層面，僅有兩篇文章涉及區(qū)域?qū)用?，即中國多區(qū)域能源消耗變化[44]和上海市CO2排放強(qiáng)度下降的因素分解分析[39]。這一階段內(nèi)的研究多基于混合投入-產(chǎn)出模型，以實(shí)物價(jià)值型能源投入-產(chǎn)出表為數(shù)據(jù)基礎(chǔ)，在競(jìng)爭(zhēng)型進(jìn)口假設(shè)下對(duì)能源及碳排放指標(biāo)進(jìn)行系統(tǒng)研究。在第一階段研究涵蓋的1987—2007年期間，中國的經(jīng)濟(jì)發(fā)展主要由投資和出口拉動(dòng)，相應(yīng)的能源消耗及CO2排放呈現(xiàn)快速上升趨勢(shì)。但中國的能源強(qiáng)度和CO2排放強(qiáng)度整體呈現(xiàn)下降趨勢(shì)（除了2002—2005年間的小幅反彈）。研究發(fā)現(xiàn)1987—2007年間導(dǎo)致能源及CO2排放強(qiáng)度變化的因素多為能源消耗效應(yīng)、生產(chǎn)技術(shù)效應(yīng)、最終需求結(jié)構(gòu)效應(yīng)以及最終需求水平效應(yīng)。其中，能源消耗效應(yīng)是最主要的抑制因素，生產(chǎn)技術(shù)效應(yīng)和最終需求結(jié)構(gòu)效應(yīng)是主要的促進(jìn)因素。

2015年，Su等[37]在結(jié)構(gòu)分解分析框架內(nèi)提出了不同研究假設(shè)組合下（即投入-產(chǎn)出模型種類、國家進(jìn)口假設(shè)以及GDP核算方式）應(yīng)用乘性分解方式對(duì)強(qiáng)度指標(biāo)進(jìn)行研究的基本模型，并在乘性SDA框架內(nèi)引入歸因分析，將分解結(jié)果由整體層面延伸到部門層面，由此開啟了研究范圍更加完備的乘性SDA應(yīng)用第二階段（即2015—2019年）。得益于以多區(qū)域投入-產(chǎn)出模型為基礎(chǔ)的乘性SDA方法發(fā)展，第二階段研究范圍由中國向外擴(kuò)展到全球40個(gè)主要經(jīng)濟(jì)體[47，49，55]，向內(nèi)覆蓋國內(nèi)30個(gè)?。ㄗ灾螀^(qū)、直轄市）[46，54，59]，涉及全球、國家、區(qū)域多個(gè)研究層面。與第一階段不同，這一時(shí)期的研究多集中在碳排放領(lǐng)域，對(duì)CO2排放強(qiáng)度的分解分析顯著增多。伴隨著以消費(fèi)觀點(diǎn)為基礎(chǔ)的能源/環(huán)境研究得到越來越多的認(rèn)可[60]，關(guān)于國際貿(mào)易導(dǎo)致的能源消耗及其CO2排放也受到了越來越多的關(guān)注[45，58]，尤其在處理國家間進(jìn)口產(chǎn)品與服務(wù)時(shí)，非競(jìng)爭(zhēng)型進(jìn)口假設(shè)成為這一時(shí)期的主流研究假設(shè)。從需求的角度出發(fā)，Su等[48]在傳統(tǒng)的指標(biāo)技術(shù)基礎(chǔ)上提出了整體隱含強(qiáng)度（Aggregate Embodied Intensity， AEI）概念，將其定義為隱含能源/CO2排放與隱含增加值合計(jì)的比值，用來系統(tǒng)研究最終需求種類（例如消費(fèi)、投資、出口）相關(guān)的能源消耗/CO2排放的相對(duì)效率。特別是整體隱含強(qiáng)度指標(biāo)可以分別在整體、最終需求種類及部門層面進(jìn)行定義和研究，具有完備性特征。

第二階段研究的焦點(diǎn)仍然是中國的能源碳排放表現(xiàn)及變化。在研究涵蓋的2007—2012年期間，中國的整體能源/CO2排放強(qiáng)度呈現(xiàn)持續(xù)下降趨勢(shì)。強(qiáng)度指標(biāo)的變化常分解為排放系數(shù)效應(yīng)、能源消費(fèi)結(jié)構(gòu)效應(yīng)、能源強(qiáng)度效應(yīng)、國內(nèi)生產(chǎn)結(jié)構(gòu)效應(yīng)以及國內(nèi)最終需求結(jié)構(gòu)效應(yīng)。其中，能源強(qiáng)度效應(yīng)表現(xiàn)出最主要的抑制作用，同時(shí)國內(nèi)生產(chǎn)結(jié)構(gòu)和國內(nèi)最終需求結(jié)構(gòu)效應(yīng)表現(xiàn)出主要的促進(jìn)作用。這一時(shí)期，在能源利用/碳排放效率顯著提高的基礎(chǔ)上，結(jié)構(gòu)優(yōu)化轉(zhuǎn)型（特別是能源消費(fèi)結(jié)構(gòu)、生產(chǎn)結(jié)構(gòu)和最終消費(fèi)結(jié)構(gòu)）是進(jìn)一步挖掘節(jié)能減排潛力、持續(xù)改善能源環(huán)境表現(xiàn)的關(guān)鍵。在區(qū)域?qū)用?，Su等[46]將空間分解引入結(jié)構(gòu)分解分析框架，用于評(píng)價(jià)區(qū)域能源/環(huán)境表現(xiàn)以及量化多區(qū)域能源/環(huán)境表現(xiàn)差異的影響因素及影響程度，并分別針對(duì)絕對(duì)指標(biāo)和強(qiáng)度指標(biāo)構(gòu)建加性分解和乘性分解的基本模型。基于2002、2012年經(jīng)濟(jì)和能源數(shù)據(jù)，國內(nèi)30個(gè)?。ㄗ灾螀^(qū)、直轄市）間CO2排放強(qiáng)度存在較為顯著的地區(qū)間差異[46， 54]，研究表明生產(chǎn)技術(shù)效應(yīng)是北京-天津、沿海地區(qū)、中部地區(qū)CO2排放強(qiáng)度高于全國平均水平的主要因素，同時(shí)生產(chǎn)結(jié)構(gòu)效應(yīng)、最終需求效應(yīng)是其他地區(qū)CO2排放強(qiáng)度低于全國平均水平的主要原因。

對(duì)比兩個(gè)階段里乘性SDA方法的應(yīng)用研究，第二階段總體研究數(shù)量顯著增多。與能源指標(biāo)相比，碳排放指標(biāo)呈現(xiàn)出研究數(shù)量增長速度快且研究水平高的特征，特別是碳排放強(qiáng)度指標(biāo)，如圖2（a）所示。對(duì)目標(biāo)指標(biāo)的分解分析整體表現(xiàn)為逐漸深入、細(xì)化的特征，分解因素的個(gè)數(shù)呈現(xiàn)出顯著增加的趨勢(shì)，特別是第二階段包含5篇因素分解個(gè)數(shù)大于等于8的應(yīng)用研究，如圖2（b）所示。在分解方法方面，第二階段表現(xiàn)出更加豐富的分解方法選擇與應(yīng)用特征，如圖2（c）所示。在計(jì)算單個(gè)影響因素的影響程度時(shí)，D&L方法（或廣義Fisher指數(shù)）被廣泛應(yīng)用。同時(shí)，源于LMDI方法在指數(shù)分解分析（IDA）中的成功應(yīng)用，其在乘性SDA方法應(yīng)用第二階段也得到了較好的發(fā)展。在研究范圍方面，第二階段相較于第一階段研究范圍更廣泛，特別是擴(kuò)展到全球及多國層面的能源碳排放指標(biāo)的分解。并且，針對(duì)同一研究范圍，第二階段的應(yīng)用研究也表現(xiàn)出更加豐富的研究數(shù)量，如圖2（d）所示。除此之外，從時(shí)空維度出發(fā)，第一階段的應(yīng)用研究均為時(shí)間分解分析，第二階段同時(shí)包含時(shí)間分解和空間分解分析。綜上所述，2010—2019年間，在能源和碳排放領(lǐng)域乘性SDA方法在研究數(shù)量、研究范圍、研究深度、模型發(fā)展、指標(biāo)構(gòu)建、研究結(jié)果等方面均得到了較為快速、有效的發(fā)展。這一方面源于全球?qū)δ茉蠢眉皻夂蜃兓瘑栴}的持續(xù)高度關(guān)注，特別是中國自主貢獻(xiàn)目標(biāo)的實(shí)現(xiàn);另一方面則得益于乘性SDA方法論的發(fā)展。

四、乘性結(jié)構(gòu)分解分析方法發(fā)展評(píng)述

2015年之前，乘性SDA方法多基于單區(qū)域投入-產(chǎn)出模型，采用競(jìng)爭(zhēng)型進(jìn)口假設(shè)從需求的角度出發(fā)進(jìn)行模型構(gòu)建，研究范圍僅涉及單個(gè)國家和地區(qū)。2015年之后，特別是2019年，以多區(qū)域投入-產(chǎn)出模型為基礎(chǔ)的乘性SDA方法得到了極大的發(fā)展，采用非競(jìng)爭(zhēng)型進(jìn)口假設(shè)對(duì)全球或主要經(jīng)濟(jì)體進(jìn)行系統(tǒng)研究。與單區(qū)域模型相比，多區(qū)域投入-產(chǎn)出模型能夠捕捉區(qū)域間經(jīng)濟(jì)關(guān)聯(lián)，特別是區(qū)域間貿(mào)易和反饋效應(yīng)，同時(shí)具有更復(fù)雜的研究假設(shè)、模型構(gòu)建和數(shù)據(jù)基礎(chǔ)。也因?yàn)殡y度高，乘性SDA方法在多區(qū)域投入-產(chǎn)出模型中的方法和應(yīng)用發(fā)展滯后于在單區(qū)域模型中。針對(duì)同一研究指標(biāo)，基于單區(qū)域和多區(qū)域投入-產(chǎn)出模型的乘性SDA方法可能會(huì)得到不同的研究結(jié)果[49]。具體投入-產(chǎn)出模型種類的選擇還需要綜合考慮研究問題、研究對(duì)象、研究視角、數(shù)據(jù)基礎(chǔ)等因素。

在乘性結(jié)構(gòu)分解分析框架內(nèi)，常見的分解方法有乘性D&L方法（包括Polar D&L）、LMDI方法、ad hoc等。2015年之前，分解方法僅涉及Polar D&L和ad hoc，二者屬于精確分解研究，分解結(jié)果不含殘差項(xiàng)。2015年以來，分解方法呈現(xiàn)多樣化特征，其中應(yīng)用較為廣泛的有D&L方法和LMDI方法。乘性D&L方法是結(jié)構(gòu)分解分析框架中使用最為普遍的分解方法，屬于理想分解方法，分解結(jié)果不含殘差項(xiàng)，通過因素反轉(zhuǎn)測(cè)試，克服了精確分解中由于分解因素順序變化對(duì)分解結(jié)果產(chǎn)生的不穩(wěn)定性影響，即分解隨意性問題[18，34]。但值得注意的是，完全D&L方法的計(jì)算次數(shù)隨因素分解個(gè)數(shù)的增加以指數(shù)方式增加，因而在分解因素?cái)?shù)量較多時(shí)存在計(jì)算量大的不足。為權(quán)衡計(jì)算復(fù)雜性和結(jié)果準(zhǔn)確性，近似D&L方法，即Polar D&L方法，被提出將其分解結(jié)果作為近似理想分解結(jié)果，并得到了廣泛的應(yīng)用。LMDI方法自2009年開始應(yīng)用于加性SDA框架內(nèi)[61]，并于2017年開始應(yīng)用于乘性SDA框架內(nèi)[47]。乘性LMDI方法屬于完美分解方法，具有分解結(jié)果不含殘差項(xiàng)、通過時(shí)間反轉(zhuǎn)測(cè)試、能夠處理0值以及易操作的優(yōu)勢(shì)，近年來在乘性SDA框架內(nèi)得到了較快的發(fā)展和使用。在具體分解方法選擇時(shí)，需綜合考慮理論基礎(chǔ)、適用性、使用簡(jiǎn)便性和結(jié)果易解釋性[62]幾個(gè)方面，D&L方法和LMDI方法是較為理想的選擇。特別是當(dāng)分解因素?cái)?shù)量較大時(shí)，建議采用Polar D&L或LMDI方法。

另外，以投入-產(chǎn)出模型為基礎(chǔ)的SDA分為一階分解和二階分解，后者針對(duì)Leontief逆矩陣對(duì)中間投入相關(guān)技術(shù)因素和替代因素進(jìn)行深入研究[18，63]。目前，乘性SDA方法在能源碳排放領(lǐng)域的應(yīng)用大多采用一階分解，采用二階分解的研究還十分匱乏。在加性SDA框架內(nèi)，已有研究采用D&L和ad hoc方法進(jìn)行二階分解。但在乘性SDA框架內(nèi)，僅有2篇研究采用二階分解且分解方法均為ad hoc方法[44， 59]。因此，在方法論層面，將D&L和LMDI方法應(yīng)用于二階乘性SDA模型中是未來發(fā)展的重要需求。

從時(shí)空角度出發(fā)，結(jié)構(gòu)分解分析可以劃分為時(shí)間-SDA和空間-SDA。前者主要研究導(dǎo)致某一研究對(duì)象能源環(huán)境指標(biāo)隨時(shí)間發(fā)生變化的影響因素及其影響程度，基于不同研究假設(shè)組合下的時(shí)間分解基本模型可以參考Su等[37]的文獻(xiàn);后者探索導(dǎo)致多個(gè)研究對(duì)象間某一時(shí)間能源環(huán)境指標(biāo)地區(qū)間差異的影響因素和影響程度，基于不同進(jìn)口假設(shè)的空間分解基本模型可以參考Su等[46]的文獻(xiàn)。在乘性SDA框架內(nèi)，較空間分解而言，采用時(shí)間分解的研究更為豐富。得益于方法論的發(fā)展，乘性SDA方法已經(jīng)能夠兼顧時(shí)間及空間維度、整體及部門層面的完備研究。

在模型基礎(chǔ)方面，結(jié)構(gòu)分解分析可以分別以Leontief和Ghosh投入-產(chǎn)出模型為基礎(chǔ)開展研究。前者從需求角度出發(fā)，以最終需求為外生變量;后者從供給角度出發(fā)，以初始投入為外生變量，兩者既有區(qū)別又有聯(lián)系。[37，64]在乘性SDA框架下，Ghosh投入-產(chǎn)出模型作為Leontief模型的有益補(bǔ)充，逐漸被應(yīng)用于能源環(huán)境領(lǐng)域。[65]從方法論角度看，無論是Leontief還是Ghosh模型為基礎(chǔ)的乘性SDA方法都能夠?qū)崿F(xiàn)時(shí)間及空間維度、整體及部門層面、一階及二階分解的完備研究。但是，與Leontief投入-產(chǎn)出模型相比，Ghosh模型為基礎(chǔ)的乘性SDA方法目前還僅限于時(shí)間分解研究，例如Su等[37]、Yan等[28]所進(jìn)行的研究，空間維度中的應(yīng)用還十分不足。

伴隨國家間、區(qū)域間經(jīng)濟(jì)流動(dòng)越發(fā)復(fù)雜與頻繁，消費(fèi)觀點(diǎn)為基礎(chǔ)的能源環(huán)境研究得到了專業(yè)人士越來越多的認(rèn)可與采納[60]，因而Leontief投入-產(chǎn)出模型在能源環(huán)境領(lǐng)域中得到了較好的發(fā)展和應(yīng)用。在Leontief投入-產(chǎn)出框架下，Su等[48]提出了整體隱含強(qiáng)度（AEI）指標(biāo)系統(tǒng)分析最終需求導(dǎo)致的能源利用或溫室氣體排放的相對(duì)效率。與傳統(tǒng)從生產(chǎn)角度構(gòu)建的整體強(qiáng)度指標(biāo)不同，AEI從需求角度出發(fā)進(jìn)行指標(biāo)構(gòu)建，并且能夠量化分析最終需求種類對(duì)整體強(qiáng)度指標(biāo)的影響。在乘性SDA方法框架下，AEI指標(biāo)已經(jīng)迅速應(yīng)用于國家和區(qū)域?qū)用娴奶寂欧艈栴}（例如Zhu等[53]、Wang等[57]、Wang等[66]、Zhou等[67]）及能源問題研究中（例如Yan等[64]）。

為擴(kuò)展乘性SDA方法的研究層面，Su等[56]將結(jié)構(gòu)路徑分析（SPA）技術(shù)引入乘性SDA方法框架內(nèi)，并結(jié)合AEI指標(biāo)，探索部門間交易層面能源環(huán)境表現(xiàn)的變化及差異。目前，該類研究僅涉及時(shí)間分解，在空間分解領(lǐng)域的應(yīng)用還十分匱乏。隨著這一方法組合的提出，以單/多區(qū)域投入-產(chǎn)出模型為基礎(chǔ)的乘性SDA在方法論層面已能兼顧全球、國家、區(qū)域以及行業(yè)間多個(gè)研究層面。

五、結(jié)語

由于具有全球性特征，能源及環(huán)境問題已經(jīng)得到了國內(nèi)外研究學(xué)者的普遍關(guān)注。強(qiáng)度指標(biāo)能夠衡量能源利用與CO2排放的相對(duì)效率，被越來越多地用于制定國家節(jié)能減排目標(biāo)及能源環(huán)境政策制定與實(shí)施中。分解分析是對(duì)能源環(huán)境指標(biāo)的變化/差異進(jìn)行定量分析的常用技術(shù)。其中，以投入-產(chǎn)出模型為基礎(chǔ)的結(jié)構(gòu)分解分析（SDA）能夠系統(tǒng)地研究導(dǎo)致能源/環(huán)境指標(biāo)產(chǎn)生變化及差異的直接和間接因素，特別是結(jié)構(gòu)性因素。從分解方式來看，SDA可以分為加性分解和乘性分解。自2000年SDA方法開始應(yīng)用于能源環(huán)境領(lǐng)域以來，加性分解因使用簡(jiǎn)便性首先得到了較多的應(yīng)用與發(fā)展，相關(guān)方法論發(fā)展和研究綜述可以參考Su等[18]文獻(xiàn)。但2010年之后，乘性SDA方法無論在方法論和應(yīng)用層面都有較大的進(jìn)展。因此，本文基于Leontief投入-產(chǎn)出模型，采用不同進(jìn)口假設(shè)針對(duì)能源/碳排放強(qiáng)度指標(biāo)構(gòu)建乘性SDA基本模型，給出整體層面和部門層面分解的一般表達(dá)式以及可行的分解方法選擇。對(duì)2010—2019年采用乘性SDA方法的應(yīng)用研究關(guān)于研究對(duì)象、研究問題、研究范圍、指標(biāo)構(gòu)建、模型特征等方面進(jìn)行研究綜述。基于此，對(duì)研究期內(nèi)乘性SDA方法論發(fā)展進(jìn)行評(píng)述，并總結(jié)提煉方法發(fā)展需求和研究空白。

在應(yīng)用層面，乘性SDA方法被越來越多地應(yīng)用于多區(qū)域碳排放研究中，尤其是在CO2排放強(qiáng)度指標(biāo)（包含整體隱含排放強(qiáng)度）的研究中應(yīng)用頻率頗高。伴隨數(shù)據(jù)可得性的日漸完善，尤其是城市級(jí)投入-產(chǎn)出數(shù)據(jù)的增加，乘性SDA方法在城市能源環(huán)境問題的研究中也會(huì)發(fā)揮重要作用。聯(lián)合使用Leontief和Ghosh投入-產(chǎn)出模型，乘性SDA方法能夠分別從需求和供給兩個(gè)角度對(duì)不同范圍的能源環(huán)境指標(biāo)（特別是強(qiáng)度指標(biāo)）進(jìn)行系統(tǒng)研究。在方法論層面，在乘性SDA框架內(nèi)實(shí)現(xiàn)部門的完美分解以及在二階分解中使用D&L方法和LMDI方法得到分解因素?cái)?shù)值是未來發(fā)展的重點(diǎn)需求。本文主要綜述了乘性SDA方法對(duì)能源及碳排放指標(biāo)的研究，基于方法的普適性，乘性SDA方法還可廣泛應(yīng)用于具體能源種類（例如煤炭、石油、天然氣等）及其他溫室氣體、大氣污染物、固體廢棄物、水等其他能源環(huán)境指標(biāo)的時(shí)間及空間維度分解研究。

參考文獻(xiàn)：

[1] IPCC. The Fifth Assessment Report [R]. United Nations Intergovernmental Panel on Climate Change， 2014.

[2] Saidi K， Omri A. The Impact of Renewable Energy on Carbon Emissions and Economic Growth in 15 Major Renewable Energy-consuming Countries [J]. Environmental Research， 2020， 186： 109567.

[3] 宋杰鯤，張凱新，曹子建.中國經(jīng)濟(jì)增長、能源消費(fèi)與碳排放動(dòng)態(tài)分析[J].中國石油大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2015，31（6）：1-6.

[4] Du H B， Liu D， Southworth F， et al. Pathways for Energy Conservation and Emissions Mitigation in Road Transport up to 2030： A Case Study of the Jing-Jin-Ji Area， China [J]. Journal of Cleaner Production， 2017，162：882-893.

[5] Chang C P， Dong M， Sui B， et al. Driving forces of Global Carbon Emissions： From Time-and Spatial-dynamic Perspectives [J]. Economic Modelling， 2019，77：70-80.

[6] Ning Y D， Chen K K， Zhang B Y， et al. Energy Conservation and Emission Reduction Path Selection in China： A Simulation Based on Bi-Level Multi-objective Optimization Model [J]. Energy Policy， 2020，137：111116.

[7] 宋杰鯤，梁璐璐，朱丹平，等.山東省地市碳排放效率測(cè)度、影響因素與提升對(duì)策[J].中國石油大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版），2018，34（1）：15-21.

[8] Sarkodie S A， Adams S， Owusu P A， et al. Mitigating Degradation and Emissions in China： The Role of Environmental Sustainability， Human Capital and Renewable Energy [J]. Science of the Total Environment， 2020，719：137530.

[9] Lin G， Jiang D， Fu J， et al. A Spatial Shift-share Decomposition of Energy Consumption Changes in China [J]. Energy Policy， 2019，135：111034.

[10] 蔡禮輝，張朕，朱磊.全球價(jià)值鏈嵌入與二氧化碳排放——來自中國工業(yè)面板數(shù)據(jù)的經(jīng)驗(yàn)研究[J].國際貿(mào)易問題，2020，4：86-104.

[11] Li M， Gao Y， Liu S. Chinas Energy Intensity Change in 1997—2015： Non-vertical Adjusted Structural Decomposition Analysis Based on Input-output Tables [J]. Structural Change and Economic Dynamics， 2020，53：222-236.

[12] Dong F， Li J Y， Zhang S N， et al. Sensitivity Analysis and Spatial-temporal Heterogeneity of CO2 Emission Intensity： Evidence from China [J]. Resources， Conservation & Recycling， 2019，150：104398.

[13] Song C， Zhao T， Wang J. Spatial-temporal Analysis of Chinas Regional Carbon Intensity Based on ST-IDA from 2000 to 2015 [J]. Journal of Cleaner Production， 2019，238：117874.

[14] UNFCCC. Intended National Determined Contributions （INDC） Submissions [EB/OL].（2015-12-12） [2020-06-10].https：//www4.unfccc.int/Sites/Submissions/indc/submission%20pages/submissions.aspx.

[15] Ang B W， Xu X Y， Su B. Multi-country Comparisons of Energy Performance： The Index Decomposition Analysis Approach [J]. Energy Economics， 2015，47：68-76.

[16] Lenzen M. Structural Analyses of Energy Use and Carbon Emissions-an Overview [J]. Economic Systems Research， 2016，28（2）：119-132.

[17] Hoekstra R， Jeroen J C J M， van der Bergh. Comparing Structure and Index Decomposition Analysis [J]. Energy Economics， 2003，25（1）：39-64.

[18] Su B， Ang B W. Structural Decomposition Analysis Applied to Energy and Emissions： Some Methodological Developments[J]. Energy Economics， 2012，34（1）：177-188.

[19] Wang H， Ang B W， Su B. Assessing Drivers of Economy-wide Energy Use and Emissions： IDA Versus SDA [J]. Energy Policy， 2017，107：585-599.

[20] Ang B W. LMDI Decomposition Approach： A Guide for Implementation [J]. Energy Policy， 2015，86：233-238.

[21] Ninpanit P， Malik A， Wakiyama T， et al. Thailands Energy-related Carbon Dioxide Emissions from Production-based and Consumption-based Perspectives [J]. Energy Policy， 2019，133：110877.

[22] Wang S， Zhu X， Song D， et al. Drivers of CO2 Emissions from Power Generation in China Based on Modified Structural Decomposition Analysis [J]. Journal of Cleaner Production， 2019，220：1143-1155.

[23] Lan J， Malik A， Lenzen M， et al. A Structural Decomposition Analysis of Global Energy Footprints [J]. Applied Energy， 2016，163：436-451.

[24] He H， Reynolds C J， Li L， et al. Assessing Net Energy Consumption of Australian Economy from 2004—05 to 2014—15： Environmentally-extended Input-output Analysis， Structural Decomposition Analysis， and Linkage Analysis [J]. Applied Energy， 2019，240：766-777.

[25] Zhao N， Xu L， Malik A， et al. Inter-provincial Trade Driving Energy Consumption in China [J]. Resources， Conservation & Recycling， 2018，134：329-335.

[26] Su B， Ang B W. Attribution of Changes in the Generalized Fisher Index with Application to Embodied Emission Studies [J]. Energy， 2014，69：778-786.

[27] Wang H， Ang B W， Su B. Multiplicative Structural Decomposition Analysis of Energy and Emission Intensities： Some Methodological Issues [J]. Energy， 2017，123：47-63.

[28] Yan J， Su B， Liu Y. Multiplicative Structural Decomposition and Attribution Analysis of Carbon Emission Intensity in China， 2002—2012 [J]. Journal of Cleaner Production， 2018，198：195-207.

[29] Su B， Ang B W. Input-output Analysis of CO2 Emissions Embodied in Trade： Competitive Versus Non-competitive Imports [J]. Energy Policy， 2013，56：83-87.

[30] Su B， Huang H C， Ang B W， et al. Input-output Analysis of CO2 Emissions Embodied in Trade： The Effects of Sector Aggregation [J]. Energy Economics， 2010， 32： 166-175.

[31] Su B， Ang B W. Structural Decomposition Analysis Applied to Energy and Emissions： Aggregation Issues [J]. Economic Systems Research， 2012， 24（3）： 299-317.

[32] Su B， Ang B W. Input-output Analysis of CO2 Emissions Embodied in Trade： The Effects of Spatial Aggregation [J]. Ecological Economics， 2010， 70： 10-18.

[33] Wang Z， Wei S J. Tracing Value-added and Double Counting in Gross Exports [J]. American Economic Review， 2014， 104： 459-494.

[34] Dietzenbacher E， Los B. Structural Decomposition Techniques： Sense and Sensitivity [J]. Economic Systems Research， 1998， 10（4）： 307-324.

[35] Ang B W， Choi K H. Decomposition of Aggregate Energy and Gas Emission Intensities for Industry： A Refined Divisia Index Method [J]. The Energy Journal， 1997， 18（3）： 59-73.

[36] Ang B W， Liu F L. A new Energy Decomposition Method： Perfect in Decomposition and Consistent in Aggregation [J]. Energy， 2001， 26（6）： 537-548.

[37] Su B， Ang B W. Multiplicative Decomposition of Aggregate Carbon Intensity Change Using Input-output Analysis [J]. Applied Energy， 2015， 154： 13-20.

[38] 夏炎， 楊翠紅， 陳錫康. 中國能源強(qiáng)度變化原因及投入結(jié)構(gòu)的作用 [J]. 北京大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2010， 46（3）： 442-448.

[39] 付雪， 王桂新， 魏濤遠(yuǎn). 上海碳排放強(qiáng)度結(jié)構(gòu)分解分析 [J]. 資源科學(xué)， 2011， 33（11）： 2124-2130.

[40] Fan Y， Xia Y. Exploring Energy Consumption and Demand in China [J]. Energy， 2012， 40（1）： 23-30.

[41] Xia Y， Yang C， Chen X. Structural Decomposition Analysis on Chinas Energy Intensity Change for 1987—2005 [J]. Journal of Systems Science and Complexity， 2012，25（1）：156-166.

[42] 陳琳. 中國能源消費(fèi)碳排放變化的影響因素分析——基于投入產(chǎn)出模型 [J]. 中外能源， 2013， 18： 17-22.

[43] Zhang H， Lahr M L. Can the Carbonizing Dragon be Domesticated？ Insights from a Decomposition of Energy Consumption and Intensity in China， 1987—2007 [J]. Economic Systems Research， 2014， 26（2）： 119-140.

[44] Zhang H， Lahr M L. Chinas Energy Consumption Change from 1987 to 2007： A Multi-regional Structural Decomposition Analysis [J]. Energy Policy， 2014， 67： 682-693.

[45] Xia Y， Fan Y， Yang C. Assessing the Impact of Foreign Content in Chinas Exports on the Carbon Outsourcing Hypothesis [J]. Applied Energy， 2015， 150： 296-307.

[46] Su B， Ang B W. Multi-region Comparisons of Emission Performance： The Structural Decomposition Analysis Approach [J]. Ecological Indicators， 2016， 67： 78-87.

[47] Kaltenegger O， Lschel A， Pothen F. The Effect of Globalisation on Energy Footprints： Disentangling the Links of Global Value Chains [J]. Energy Economics， 2017， 68： 148-168.

[48] Su B， Ang B W. Multiplicative Structural Decomposition Analysis of Aggregate Embodied Energy and Emission Intensities [J]. Energy Economics， 2017， 65： 137-147.

[49] Wang H， Ang B W， Su B. A Multi-region Structural Decomposition Analysis of Global CO2 Emission Intensity [J]. Ecological Economics， 2017， 142： 163-176.

[50] 李玲， 張俊榮， 湯鈴， 等. 我國能源強(qiáng)度變動(dòng)的影響因素分析——基于SDA分解技術(shù) [J]. 中國管理科學(xué)， 2017， 25（9）： 125-132.

[51] 張俊榮， 湯鈴， 李玲， 等. 基于結(jié)構(gòu)分解的北京能源強(qiáng)度影響因素研究 [J]. 系統(tǒng)工程理論與實(shí)踐， 2017， 37（5）： 1201-1208.

[52] Morioka R， Nansai K， Tsuda K. Role of Linkage Structures in Supply Chain for Managing Greenhouse Gas Emissions [J]. Journal of Economic Structures， 2018， 7：7.

[53] Zhu B， Su B， Li Y. Input-output and Structural Decomposition Analysis of Indias Carbon Emissions and Intensity， 2007/08—2013/14 [J]. Applied Energy， 2018， 230： 1545-1556.

[54] Cao Y， Zhao Y， Wang H， et al. Driving Forces of National and Regional Carbon Intensity Changes in China： Temporal and Spatial Multiplicative Structural Decomposition Analysis [J]. Journal of Cleaner Production， 2019， 213： 1380-1410.

[55] Shironitta K， Okamoto S， Kagawa S. Cross-country Analysis of Relationship Between Material Input Structures and Consumption-based CO2 Emissions [J]. Environmental Economics and Policy Studies， 2019， 21： 533-554.

[56] Su B， Ang B W， Li Y. Structural Path and Decomposition Analysis of Aggregate Embodied Energy and Emission Intensities [J]. Energy Economics， 2019， 83： 345-360.

[57] Wang H， Pan C， Zhou P. Assessing the Role of Domestic Value Chains in Chinas CO2 Emission Intensity： A Multi-region Structural Decomposition Analysis [J]. Environmental and Resource Economics， 2019， 74： 865-890.

[58] Wang Q， Zhou Y. Imbalance of Carbon Emissions Embodied in the US-Japan Trade： Temporal Change and Driving Factors [J]. Journal of Cleaner Production， 2019， 237： 117780.

[59] Yang L， Lahr M L. The Drivers of Chinas Regional Carbon Emission Change——A Structural Decomposition Analysis from 1997 to 2007 [J]. Sustainability， 2019， 11： 3254.

[60] Franzen A， Mader S. Consumption-based Versus Production-based Accounting of CO2 Emissions： Is There Evidence for Carbon Leakage？ [J]. Environmental Science and Policy， 2018， 84： 34-40.

[61] Wachsmann U， Wood R， Lenzen M， et al. Structural Decomposition of Energy Use in Brazil from 1970 to 1996 [J]. Applied Energy， 2009， 86： 578-587.

[62] Ang B W. Decomposition Analysis for Policymaking in Energy： Which is the Preferred Method？ [J]. Energy Policy， 2004， 32（9）： 1131-1139.

[63] Zhou X， Zhou D， Wang Q. How Does Iinformation and Communication Technology Affect Chinas Energy Intensity？ A Three-tier Structural Decomposition Analysis [J]. Energy， 2018， 151： 748-759.

[64] Yan J， Zhao T， Kang J. Sensitivity Analysis of Technology and Supply Change for CO2 Emission Intensity of Energy-intensive Industries Based on Input-output Model [J]. Applied Energy， 2016， 171： 456-467.

[65] Xie R， Wang F， Chevallier J， et al. Supply-side Structural Effects of Air Pollutant Emissions in China： A Comparative Analysis [J]. Structural Change and Economic Dynamics， 2018， 46： 89-95.

[66] Wang Z， Su B， Xie R， et al. Chinas Aggregate Embodied CO2 Emission Intensity from 2007 to 2012： A multi-region Multiplicative Structural Decomposition Analysis [J]. Energy Economics， 2020， 85： 104568.

[67] Zhou X， Zhou D， Wang Q， et al. Who Shapes Chinas Carbon Intensity and How？ A Demand-side Decomposition Analysis [J]. Energy Economics， 2020， 85： 104600.

責(zé)任編輯：曲 紅

Abstract： Within the energy and environment field， intensity indicator， which measures the relative efficiency of energy use and carbon emissions， has been widely adopted in the national energy conservation and mitigation goal and the related policy formulation. Multiplicative structural decomposition analysis （M-SDA）， which is based on the input-output model， can quantitatively decompose the changes/differences in the intensity indicator in a systematic way. In recent years， M-SDA has achieved a rapid development in the aspects of methodology and application. This paper reviews the M-SDA studies on energy and emissions during 2010—2019. It is found that （1） the number of the studies has shown a quick growth trend; （2） the topic has expanded from single-region to multi-region issue; （3） the non-competitive imports assumption has been the most frequent choice; （4） there are increasing researches with large number of decomposed factors; （5） the D&L （or generalized Fisher index） method is the commonly adopted decomposition technique in M-SDA studies. On these bases， this paper summarizes the methodology development of M-SDA and the research gap in the near future.

Key words： structural decomposition analysis; multiplicative decomposition; intensity indicator; energy and environment field; China